Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
1
ETUDES PRONOSTIQUES Pr Ganry
2
DEFINITION Les études pronostiques étudient la liaison entre des paramètres dont on cherche la valeur pronostique, et le critère de jugement choisi (décès par exemple)
3
Adapter le traitement en fonction des critères pronostiques +++
INTERET DE L ’INFORMATION PRONOSTIQUE Adapter le traitement en fonction des critères pronostiques +++ Dans le cadre des Essais thérapeutiques : permettre de définir des critères d’inclusion / non inclusion
4
INTERET DE L ’INFORMATION PRONOSTIQUE
MAIS Le paramètre doit aboutir à une importante explication pronostique La valeur pronostique du paramètre doit être validée sur plusieurs séries de malades.
5
Principe de l’étude pronostique :
Méthodes statistiques Permettre d ’analyser simultanément l ’information pronostique de plusieurs paramètres
6
liés à la maladie (ex: stade)
3 types de paramètres pronostiques liés au sujet (ex: âge, sexe) liés à la maladie (ex: stade) traduisant le retentissement de la maladie (ex: indice de gravité)
7
Méthode statistique: généralités
schéma habituel d’une étude pronostique: Sélection des facteurs individuellement pronostiques : étape univariée Sélection des facteurs finalement pronostiques, c-a-d lorsque leurs liaisons avec les autres facteurs sont pris en compte, grâce à un modèle de régression : étape multivariée La validation du modèle défini par ces variables pronostiques sur des séries de malades
8
1- Définir le critère de jugement de l’étude pronostique :
Déroulement de l’étude pronostique : 1- Définir le critère de jugement de l’étude pronostique : Souvent unique ex : décès Parfois double ex: décès récidive
9
2- Choix des variables à étudier :
Comment choisir lors de la conception de l’étude les variables dont on veut analyser le rôle éventuellement pronostique ?
10
2- Choix des variables à étudier :
N variables choisies lors de la conception de l’étude N1 variables N2 variables pronostiques analyse univariée analyse multivariée
11
1- variables pronostiques connues
2- Choix des variables à étudier : Littérature : 1- variables pronostiques connues 2- variables classiques (âge, sexe, type de traitement...)
12
2- Choix des variables à étudier :
Hypothèses pronostiques : 3- variable(s) pronostique(s) dont on souhaite tester la valeur pronostique, ou variable(s) suspectée(s) être pronostique(s)
13
ex 1: événement décès oui / non
1ère phase : étape univariée analyse statistique en fonction des variables et des évènements analysés : ex 1: événement décès oui / non tests statistiques adaptés : X2, t-student, analyse de variance…
14
Étude pronostique sur cancer du sein
Vivantes (n=123) Décédées (n=112) âge 55+/-12 63+/-15 0,03 BMI 1,23+/-22 1,34+/-21 NS VS 34 45 T1 78% 33% 0001 N1 75% 34% M0 94% 44% ER+ 68% 13% 003 Synd paranéopl 3% 23% 0,01 IR associée 2% 5% 0,1
15
ex 2: analyse de survie et comparaison de courbes de survie
1ère phase : étape univariée analyse statistique en fonction des variables et des évènements analysés : ex 2: analyse de survie et comparaison de courbes de survie
16
Définitions pour l’analyse de la survie
Date d’origine: Date de début de prise en compte du suivi des patients Date des dernières nouvelles: Date à laquelle les derniers renseignements concernant l’état du patient sont connus Etat aux dernières nouvelles: Vivant ou décédé par exemple
17
Définitions pour l’analyse de la survie
Date de point: Date choisie pour arrêter l’étude Recul: Délai écoulé entre date d’origine et date de point Perdu de vue: Sujet dont on ne connait pas l’état à la date de point vivant? décédé ?
18
courbes de survie : Kaplan-Meier
,2 ,4 ,6 ,8 1 Survie % 20 40 60 80 100 120 140 mois Temps Groupe (2) Groupe (1) 3,207 1 0,0733 Chi-Square DF P-Value Logrank (Mantel-Cox) Test for temps Censor Variable: événement Grouping Variable: group
19
Comparaison de 2 courbes de survie selon la présence ER dans le cancer du sein
,2 ,4 ,6 ,8 1 Survie % 20 40 60 80 100 120 140 mois Temps ER+ ER-
20
Analyse de survie : méthode actuarielle
21
On garde les variables significatives :
1ère phase : étape univariée On garde les variables significatives : Seuil de significativité : p 0,05 mais aussi souvent p = 0,1 voire 0,2
22
Ce modèle de régression dépend du type d’étude pronostique menée :
1ère phase : étape univariée A la fin de l’étude univariée, on a donc retenu N1 variables que l’on va rentrer dans un modèle de régression Ce modèle de régression dépend du type d’étude pronostique menée : - modèle de régression logistique, - modèle de Cox…
24
2ème phase : étape multivariée
Attention : le nombre N1 de variables que l’on peut analyser dans un modèle de régression dépend du nombre d’événements vis-à-vis du critère de jugement Observés dans l’étude Règle empirique : Nb évènements / nb variables >10
25
Si ce ratio n ’est pas respecté :
CHOIX DES VARIABLES CANDIDATES Si ce ratio n ’est pas respecté : Choix raisonné tenant compte des connaissances préalables ( littérature, étape univariée) Elimination des variables éventuellement entachées d ’imprécision ( valeurs manquantes, erreur de mesure).
26
Conduite à tenir vis-à-vis des données manquantes :
Point important sur la qualité scientifique de l’étude ++++ la plupart des méthodes multivariées nécessitent un jeu complet de données +++
27
1- prendre la valeur moyenne des sujets
Conduite à tenir vis-à-vis des données manquantes : ex : il manque la TA lors de l’inclusion ou à T6 de 5 patients . Conduite à tenir : 1- prendre la valeur moyenne des sujets 2- prendre la dernière valeur connue …
28
en contrôlant les liaisons éventuelles entre les variables.
2ème phase : étape multivariée Objectif final : parvenir à un modèle contenant le plus petit nombre de variables possible tout en contrôlant les liaisons éventuelles entre les variables. Méthode : utilisation d’un modèle de régression :
29
2 techniques : pas à pas ascendant pas à pas descendant
2ème phase : étape multivariée on va introduire les N1 variables retenues lors de l’analyse univariée dans le modèle de régression choisi : 2 techniques : pas à pas ascendant pas à pas descendant
30
2ème phase : étape multivariée
le modèle de régression va permettre de sélectionner N2 variables à partir des N1 variables retenues après l’analyse univariée et testées dans notre modèle de régression
31
2ème phase : étape multivariée : schéma récapitulatif
N Variables N1 Variab N2 var Début de l’étude Analyse univariée Analyse Multivariée
32
X3 = glycorachie 0,6 mmol/l X4= pneumonie
Exemple : résultat de l’étude des facteurs pronostiques des méningites à ménincoccogues : mise en évidence de 4 variables pronostiques : modèle final X 1 = glasgow X2 = âge 45 X3 = glycorachie 0,6 mmol/l X4= pneumonie
33
sur une série limitée et spécifique
3ème phase : validation du modèle Question : ce modèle est-il utilisable en clinique ? nécessite de le valider sur de nouvelles séries de malades pour confirmer ou non la valeur pronostique des variables mises en évidence sur une série limitée et spécifique
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.